商业智能和分析提供商为了提高其平台的可用性，他们正逐渐将增强分析添加到其产品和功能组合中。而这也使企业开始积累越来越多的现实世界增强分析用例。

增强分析可增强对数据的统计数字运算，使BI分析师和常规业务用户更容易从海量数据中获得见解。这些增加的功能包括人工智能、自动化和自然语言处理（NLP）等，以帮助简化查询。

Adobe Analytics Cloud的产品管理主管Ben Gaines在解释增强分析在BI中的作用时说道：“在过去的十年中，我们看到数据的爆炸，这些数字来自很多不同来源和渠道，供应商需要帮助企业需要管理并理解这些数据。”

分析公司Kinetica的首席营销官Daniel Raskin表示，随着经济以及企业做出商业决策的方式都开始转由数据驱动，数据分析将变得越来越重要。

Raskin称：“在极端数据经济中，我们会看到赢家和输家：那些收集数据的人，以及那些知道如何利用数据的人。仅存储数据并按需分析数据，并不够。现在，企业需要获取数据、不断评估数据并立即采取行动。如果你可以连续自动地整合和分析数十亿的实时和历史数据，那你将可以立即做出决策。”

这种需求正在推动着增强分析的快速增长。根据Market Research Future研究表明，从现在到2023年，全球增强分析市场预计每年将增长24%，在2023年，这将成为130亿美元的市场。

在本文中，专家们探讨了现实世界的增强分析实例，从广泛的层面来看，这些增强分析实例可分为五大类。

数据准备

增强分析的第一个主要用例是数据准备。

数据分析公司Hexe Data管理合伙人Krzysztof Surowiecki说：“增强分析和智能分析可减少数据分析师每次收到新数据集时都需要经历的痛苦流程。”

Surowiecki解释说，传统上来看，数据分析师会花80%的时间通过提取、转换和加载（ETL）过程“整理”数据。他说，增强分析可用于自动化ETL过程，使数据分析师有更多时间可思考数据的含义、从中获取洞察力并提出建议来帮助改进业务。

改进数据的“可查询性”

Gaines说，另一个主要现实增强分析用例是围绕利用AI来提高数据的“可查询性”。这意味着使企业的所有人都可更容易对数据提出问题以及与之交互。

Gaines ：“这正是NLP的用武之地。以自己的自然语言输入或说出问题，并使用工具将该语音‘翻译’成查询，从而得出有意义结果，这意味着，那些不一定了解如何应用过滤器或添加维度到报告的人，现在可以开始从数据信息层面了解他们的业务。”

这个用例的一个示例是在保险公司Allianz Italy。该公司使用来自初创公司iGenius的增强分析技术构建了名为Allianz Virtual Advisor的平台，该平台允许保险代理人使用他们的智能手机通过语音或键入的自然语言查询来访问数据，包括有关收入监控、特定产品性能或客户档案的数据。

Allianz公司首席运营官Agostino Ferrara说道：“这个新的虚拟顾问可以算是我们专业代理商网络的新同事，这个永远在线的同事能够在很短的时间内处理大量数据，并有效地支持我们代理人的日常工作，使他们利用会话人工智能的非凡潜力。”

平民数据科学家

这种改进的可查询性不仅允许数据专业人员深入研究数据，还可以扩展分析产品的用户群。增强分析是在企业中实现平民数据科学家的关键。

Surowiecki说：“企业将不再需要具有统计学和数学背景经验的人做BI。他们可以雇用技术不必太好但熟悉其业务的人员，这些人员可基于交付的数据挖掘见解以及提供建议。这将我们在不久的将来可观察到的有趣变化。”

Gaines说，当得到正确部署时，人工智能应用程序应该可降低部署的门槛，以帮助非技术业务用户理解数据，为他们提供舒适的方式来查看为他们创建的分析。他们可通过询问不太明显的数据分析问题，帮助他们获得洞察力并开始深入挖掘数据。

Gaines 说：“静态仪表板通常无法回答深层次问题。AI和机器学习可发挥重要作用的地方在于：它们知道下一个问题是什么、确保企业以正确的方式利用数据以及让每个人都能轻松了解下一个问题 – 从首席执行官到一线营销经理。”

Gaines 称：“突然之间，分析能力不再只是是漂亮的柱状图和饼图，它们变成了双向对话，企业可以真正提出问题并获得答案。”

利用“部落知识”

IBM Watson IoT高级产品经理Heena Purohit表示，在很多工业企业中，老龄化劳动力正开始成为一个大问题。她解释说，在石油和天然气行业，很大一部分经验丰富的劳动力预计将在未来五到十年内退休。令人担心的是，这些人员的离开将使企业面临人才流失的严重风险。

她表示：“现在企业正在寻找创新方法来保留他们的部落知识和专业知识，而增强智能正在帮助他们实现这一目标。”

在工业领域，IBM客户正在利用由IBM Watson驱动的名为“Equipment Maintenance Assistant（设备维护助理）”平台的NLP功能。它可处理大量文档中的非结构化和结构化数据，这些文档包括使用手册、标准、安全流程、报告和历史工作日志等。基于这些的数据，这个助理平台能够回答维护和操作技术人员提出的问题。

一家澳大利亚石油和天然气公司利用这种增强分析功能，通过吸取30年的工程和钻井知识，增强分析技术可帮助技术人员对复杂项目做出事实驱动对决策。

Purohit说：“通过使用这种解决方案，技术人员和操作人员将查找数据的时间缩短了75%，这意味着可以节省1000万美元的员工成本，员工将可更快地获取信息，并可更直观地分析该企业的工程记录。”

自动化见解

最后一个增强分析用例围绕自动化见解。这里的想法是利用可重复的机器学习工具来自动化某些类型的分析，而这原本需要数据科学团队成员花费几个月的时间来构建。

例如，Adobe构建了一个名为Segment IQ的机器学习工具，只需点击按钮即可提供两组客户的比较，并可从数百个不同的维度将他们进行比较。这是机器学习之外的常见分析，这种分析通常需要花费数月或数年才能完成。而通过这个工具，可快速确认或反驳来自领导层的直觉预感。

Gaines指出，在一家B2B服务公司，有一位主要的高管因为投资转换不良而考虑降低付费搜索的预算。

他表示：“他们的营销团队定位到部分访客，这些访客通过付费搜索来到网站，该公司使用Segment IQ将他们与所有其他访客进行比较。他们发现虽然这些访问者不太可能直接转换，但他们在之前购买的服务基础上追加购买的可能性增加了三倍。该营销团队随后能够将预算集中在与追加销售相关的关键字上，并看到服务向上销售增加56%。”